致谢 27

参考文献 28

1  绪论

目标跟踪由主动跟踪和被动跟踪两种方式组成，本文提到的视频中动态目标的跟踪过程被划分为被动跟踪的一种。视频中动态目标的跟踪过程是一项综合性很强的应用，把图像处理、自动控制、信息科学等领域有机结合起来，在计算机视觉领域中极具挑战性。他可以在视频监控等图像序列信息中快速搜寻到跟踪目标，定位目标位置及检测图像信息，最终实现目标动态实时跟踪。动态目标跟踪作为计算机视觉信息和各类监控视频处理的基础技术，现如今已广泛地应用于星际探索仪器、国防系统、交通测速、地质勘探、人流检测、动作识别等各个领域。例如，在车辆测速违章检测系统中，监视摄像头对于过往车辆的动态实时跟踪就是必不可少的；在基于视频的入侵检测中，整个系统运行的关键就是对人、动物、车辆等一系列运动目标的识别检测与跟踪。所以，视频中动态目标的跟踪过程在当今社会有着举足轻重的地位。论文网

1。1  算法研究意义

目标动态跟踪这一领域的研究直到今天，如何稳定的检测视频序列中的对象并有效的进行目标跟踪的都仍是算法研究的核心。

Mean-Shift算法是一种建立在非参数概率密度核函数基础上的无监督聚类方法，在1975年由Fukunaga和Hosterler为研究计算机无监督聚类学习[1]而首次提出，采用概率密度核函数对跟踪目标的颜色特征进行量化分析，并以颜色直方图的形式显示出来，构建目标的特征表达模型，并设置Bhattacharyya 系数作为衡量标准。但Mean-Shift算法自首次由Comaniciu [2-4]应用以来，直到1995 年Cheng[5]将其引入计算机视觉领域才重新引得各方瞩目。自此以后，Mean-Shift算法凭借其高效率的算法结构被广泛应用于实时目标跟踪领域。

其实在计算机视觉领域，Mean-Shift算法有非常突出的优势：首先，算法的复杂程度很低，在运算过程中能大大削减运算量，使运算效率得到了极大地提高；其次，正如上一段提到的，Mean-Shift算法是一种无参数方法，便于与其他算法结合进行算法优化处理，获得更好的跟踪效果；最后，算法使用加权直方图的形式建立目标跟踪，当跟踪目标发生旋转位移、变形甚至被背景物体遮挡时，仍可以实现稳定跟踪。

所以，经过推广度成熟度和使用便捷性等各方面的考量，本文选用Mean-Shift 算法作为目标跟踪的基础算法，并对自适应模块进行针对性的算法研究和改进。

1。2  图像处理框架

本文的图像处理框架是通过EmguCV搭建。NET平台实现的。

OpenCV 作为一个资源开放的且完全免费的计算机视觉处理库，基本目前发表的所有关于图像处理的经典算法都被收录其中。EmguCV作为将OpenCV 封装后得到的。NET 版处理库，不仅能调用OpenCV所包含的函数，还继承了OpenCV处理图形图像便捷高效的优点，针对C# 面向对象的特点，充分发挥了C# 的编程优势，不仅极大缩短了编程时间还增强了程序可读性。

本文将对EmguCV 做简要概述，并将基于C# 语言的EmguCV 图像处理库应用到课题算法编程中，达到更好地为动态目标跟踪系统服务的目的。

1。3  章节安排

本程序主要工作包括建立基于C# 语言的EmguCV图形库的视频处理平台。进行跟踪窗自适应的Mean-Shift算法分析、算法模型设计，提取图像多种特征并在此基础上建立目标模型的直方图，最终实现目标的稳定动态跟踪。通过完成视频处理的框架设计和目标跟踪的软件功能，熟练掌握对算法的逻辑分析能力，学习软件编码的基础知识，初步具备从项目的总体要求出发进行系统设计、分析和功能模块调试的能力。